循环一致性神经网络利用了两个GAN网络进行循环，以此来修正模型输出的结果，防止特征都映射到一张图片上。
循环一致性网络示意图
X->Y的对抗损失：
这里希望认出更少的原来图片（前一项），认出更多的生成图片（后一项）。同理从Y->X的对抗损失也可以写出来。
G想最小化上面这一项，D想最大化这一项，这也就是为什么叫做对抗网络。
但是仅仅使用对抗网络没法建立X到Y空间上的正确映射，一个好的思路就是建立循环对抗神经网络。
我们把上面这个式子叫做前向循环一致性，进而我们得到循环一致性损失
这个式子很好理解，就是让转换后的图片保留更多的原图片信息，想要验证这一点只需要循环验证即可，即将映射后的特征空间再次映射到原空间，以此来检验信息损失程度。
上面这个就是总的loss函数
我们要做的就是找到下面的解
待更。。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。